Dalam era teknologi digital, kecerdasan buatan (AI) muncul sebagai alat paling berpotensi untuk mempercepat dan memperkukuh penyelidikan nutrisi.
Kaedah tradisional seperti 24-hour recall, diari makanan dan soal selidik kekerapan makanan (Food Frequency Questionnaire – FFQ) telah lama digunakan untuk mengumpul data diet.
Namun keberkesanannya sering terjejas oleh faktor manusia sama ada disebabkan kesilapan ingatan, salah pelaporan, atau ketidaktahuan terhadap kandungan sebenar nutrisi sesuatu hidangan.
Akibatnya, data yang diperoleh mungkin kurang tepat dan menjejaskan kualiti dapatan kajian.
Di sinilah kecerdasan buatan (AI) menawarkan penyelesaian yang signifikan dengan menggabungkan analisis imej makanan, data besar serta maklumat genetik dan mikrobiom untuk menghasilkan analisis yang lebih pantas, tepat, dan berskala besar.
Kecerdasan buatan (AI) memperkenalkan pelbagai keupayaan baharu yang dapat meningkatkan mutu kajian dan amalan pemakanan seperti :
1. Pengecaman imej makanan (food image recognition) yang membolehkan penganggaran automatik kandungan nutrisi hanya melalui foto makanan.
2. Pembelajaran mesin (machine learning) yang mengesan pola hubungan antara diet, fisiologi dan kesihatan seseorang.
3. Integrasi bioinformatik dan mikrobiom yang membolehkan cadangan diet bersifat peribadi berdasarkan data biologi individu.
Pendekatan ini telah diterapkan secara meluas di negara maju seperti Amerika Syarikat, China dan United Kingdom bukan sahaja dalam penyelidikan akademik, tetapi juga dalam pengurusan penyakit kronik dan pembangunan aplikasi kesihatan pintar.
Kajian Global: MealMeter dan AI Dietitian
1. MealMeter – Anggaran Nutrisi Automatik Melalui Sensor dan Kecerdasan Buatan (AI)
Antara cabaran terbesar penyelidik nutrisi ialah memperoleh data diet yang tepat.
Projek MealMeter merupakan hasil kerjasama penyelidik dari Arizona State University bersama beberapa penyelidik antarabangsa yang memperkenalkan pendekatan multimodal sensing berasaskan pembelajaran mesin.
Dalam kajian ini, peserta diberi makanan dengan kandungan nutrisi yang dikawal dan dipantau menggunakan pelbagai sensor seperti:
1. Monitor glukosa berterusan (Continuous Glucose Monitor, CGM)
2. Alat pengukur degupan jantung (ECG/HRV)
3. Sensor gerakan (accelerometer, gyroscope)
4. Sensor persekitaran (cahaya, suhu)
Data daripada pelbagai sumber ini digabungkan oleh model kecerdasan buatan (AI) untuk meramal jumlah karbohidrat, protein dan lemak yang diambil tanpa memerlukan catatan manual daripada peserta.
Hasil kajian menunjukkan potensi besar teknologi ini dalam mengurangkan kesilapan manusia dan mempercepatkan proses pengumpulan data diet sekaligus memperkukuh ketepatan penyelidikan nutrisi.
2. AI Dietitian untuk Pengurusan Diabetes Type 2 di China
Di China, kekurangan pakar dietitian klinikal mendorong penyelidik mencari alternatif berasaskan teknologi.
Kajian kolaborasi antara Beijing University of Chinese Medicine dan Peking University Shenzhen Hospital memperkenalkan konsep AI Dietitian gabungan Large Language Models (LLM) seperti Chat-GPT dan GPT-4 dengan sistem pengecaman imej makanan.
Chat-GPT dan GPT-4 diuji menggunakan Chinese Registered Dietitian Examination dan didapati mampu memberikan nasihat pemakanan yang hampir setara dengan pakar manusia walaupun terdapat sedikit perbezaan dalam beberapa kategori makanan.
Sementara itu, model Vision Transformer (DINO V2) berjaya mengenal pasti bahan makanan seperti nasi, roti atau ubi kentang dengan tahap ketepatan yang tinggi hanya melalui imej.
Dalam kajian ini, model tersebut digunakan untuk menganalisis gambar makanan yang dimuat naik oleh pesakit atau pengguna, kemudian mengenal pasti objek utama dalam gambar tersebut.
Selepas mengenal pasti jenis makanan, DINO V2 menganalisis tekstur, warna dan bentuk makanan bagi menganggarkan saiz bahagian atau jumlah hidangan.
Ini penting untuk mengira nilai nutrisi dengan lebih tepat terutama bagi pesakit diabetes yang perlu mengawal pengambilan karbohidrat.
Hasil pengecaman imej daripada DINO V2 kemudiannya dihantar kepada Large Language Model (LLM) yang berfungsi sebagai “pakar dietitian maya”.
Kajian ini membuktikan bahawa gabungan Large Language Models (LLM) dan pengecaman imej mampu menyokong sistem penjagaan kesihatan moden, khususnya bagi penyakit kronik seperti diabetes yang memerlukan pemantauan diet secara berterusan.
Potensi Malaysia dalam Kecerdasan Buatan (AI)
Malaysia turut menunjukkan kemajuan dalam bidang ini melalui Projek SpaceGut.
Projek ini merupakan platform komersial pertama di Malaysia yang menggabungkan kecerdasan buatan (AI) dan bioinformatik bagi menganalisis mikrobiom usus.
Ia berfungsi sebagai jambatan antara penyelidikan saintifik dan aplikasi kesihatan awam dengan meneliti bagaimana komposisi bakteria dalam usus dipengaruhi oleh diet harian serta bagaimana ia memberi kesan terhadap kesihatan keseluruhan.
Melalui penggunaan analisis data besar, SpaceGut mampu mengenal pasti corak hubungan antara jenis makanan yang diambil, keseimbangan mikrobiom usus, serta risiko terhadap penyakit metabolik seperti obesiti, diabetes, dan sindrom iritasi usus (Irritable Bowel Syndrome, IBS).
Hasil daripada analisis tersebut digunakan untuk menghasilkan cadangan diet bersifat peribadi yang disesuaikan dengan profil mikrobiom setiap individu.
Ini merangkumi saranan jenis makanan, pengambilan serat, serta cadangan suplemen prebiotik dan probiotik yang sesuai untuk mengoptimumkan kesihatan usus.
Sementara itu, Sarawak mempunyai asas kukuh dalam penyelidikan nutrisi komuniti, termasuk kajian berkaitan keselamatan makanan dan status pemakanan kanak-kanak yang dijalankan oleh Universiti Malaysia Sarawak (UNIMAS).
Namun, integrasi teknologi kecerdasan buatan (AI) dalam penyelidikan ini masih di peringkat awal.
Dalam pada itu, penubuhan Sarawak Artificial Intelligence Centre (SAIC) menjadi langkah proaktif kerajaan negeri dalam membangunkan ekosistem teknologi pintar.
Dengan infrastruktur digital ini, penyelidikan nutrisi di Sarawak berpotensi diperluas melalui soal selidik diet berasaskan AI untuk mengurangkan ralat manual, pemantauan status pemakanan komuniti luar bandar secara sistematik serta pembangunan pangkalan data diet komuniti sebagai asas intervensi kesihatan awam.
Inisiatif sebegini bukan sahaja menyokong agenda kesihatan negeri, tetapi juga membuka peluang Sarawak menjadi hab penyelidikan nutrisi pintar di rantau Borneo.
Kecerdasan buatan (AI) kini bukan sekadar alat teknologi tetapi pemangkin kepada transformasi menyeluruh dalam bidang sains pemakanan.
Kajian antarabangsa seperti MealMeter dan AI Dietitian telah membuktikan keberkesanan pendekatan kecerdasan buatan (AI) dalam menangani cabaran penyelidikan nutrisi manakala Malaysia melalui SpaceGut sedang menunjukkan kemajuan ke arah pengaplikasian ketepatan nutrisi (precision nutrition).
Masa depan penyelidikan nutrisi akan semakin dipacu oleh kecerdasan buatan bukan sahaja untuk memahami kandungan hidangan yang diambil, tetapi juga bagaimana makanan membentuk kesihatan manusia dari peringkat individu hingga ke tahap komuniti.
Rujukan :
Ang, Adam. “First AI Gut Health Service in Malaysia Launched.” MobiHealthNews, 20 Nov. 2024, www.mobihealthnews.com/news/asia/first-ai-gut-health-service-malaysia-launched
Arefeen, Asiful, et al. MealMeter: Using Multimodal Sensing and Machine Learning for Automatically Estimating Nutrition Intake. Mar. 2025, https://doi.org/10.48550/arXiv.2503.11683.
Sun, Haonan, et al. “An AI Dietitian for Type 2 Diabetes Mellitus Management Based on Large Language and Image Recognition Models: Preclinical Concept Validation Study.” Journal of Medical Internet Research, vol. 25, no. 1, 9 Nov. 2023, p. e51300, www.jmir.org/2023/1/e51300, https://doi.org/10.2196/51300
UKAS. “News – Laman Web Jabatan Premier Sarawak.” Sarawak.gov.my, 2025, premierdept.sarawak.gov.my/web/subpage/news_view/4495/UKAS.
Koe, T. (2024, November 29). Malaysia firm develops gut microbiome test kit to promote preventive health. NutraIngredients-Asia.com. https://www.nutraingredients-asia.com/Article/2024/11/29/spacegut-launches-gut-microbiome-test-kit-to-promote-preventive-health/?utm_source=chatgpt.com
